python实现Mapreduce的wordcount

介绍

• Hadoop作为Apache的基金项目，解决的大数据处理时间长的问题，其中MapReduce并行处理框架作为Hadoop中重要的成员。由于Hadoop的架构实现是由JAVA实现的，所以在进行大数据处理时，JAVA程序用的较多，但是，想要把深度学习算法用到MapReduce中，Python是深度学习和数据挖掘处理数据较为容易的语言，所以基于以上考虑，本文介绍了使用python实现MapReduce中的WordCount实验，文章内容（代码部分）来自于某一博主优快云博客，参考链接在最后。

Hadoop Stream

主要使用的Hadoop提供的Hadoop Streaming，首先，介绍一下Hadoop Stream

Streaming 的作用

• Hadoop Streaming框架，最大的好处是，让任何语言编写的map, reduce程序能够在hadoop集群上运行；map/reduce程序只要遵循从标准输入stdin读，写出到标准输出stdout即可；
• 其次，容易进行单机调试，通过管道前后相接的方式就可以模拟streaming, 在本地完成map/reduce程序的调试
  #cat inputfile | mapper | sort | reducer > output
• 最后，streaming框架还提供了作业提交时的丰富参数控制，直接通过streaming参数，而不需要使用java语言修改；很多mapreduce的高阶功能，都可以通过steaming参数的调整来完成。

Streaming 的局限

Streaming默认只能处理文本数据Textfile，对于二进制数据，比较好的方法是将二进制的key, value进行base64编码，转化为文本；
Mapper和reducer的前后都要进行标准输入和标准输出的转化，涉及数据拷贝和解析，带来了一定的开销。

Streaming 命令的相关参数

# hadoop jar hadoop-streaming-2.6.5.jar \ [普通选项] [Streaming选项]

普通选项和Stream选项可以参考如下网址：
https://www.cnblogs.com/shay-zhangjin/p/7714868.html

Python实现MapReduce的WordCount

1. 首先，编写mapper.py脚本：

#!/usr/bin/env python  
  
import sys  
  
# input comes from STDIN (standard input)  
for line in sys.stdin:  
    # remove leading and trailing whitespace  
    line = line.strip()  
    # split the line into words  
    words = line.split()  
    # increase counters  
    for word in words:  
        # write the results to STDOUT (standard output);  
        # what we output here will be the input for the  
        # Reduce step, i.e. the input for reducer.py  
        #  
        # tab-delimited; the trivial word count is 1  
        print '%s\t%s' % (word, 1)  

在这个脚本中，并不计算出单词出现的总数，它将输出 " 1" 迅速地，尽管可能会在输入中出现多次，计算是留给后来的Reduce步骤（或叫做程序）来实现。记住为mapper.py赋予可执行权限：chmod 777 mapper.py

2. reducer.py脚本

#!/usr/bin/env python  
  
from operator import itemgetter  
import sys  
  
current_word = None  
current_count = 0  
word = None  
  
# input comes from STDIN  
for line in sys.stdin:  
    # remove leading and trailing whitespace  
    line = line.strip()  
  
    # parse the input we got from mapper.py  
    word, count = line.split('\t', 1)  
  
    # convert count (currently a string) to int  
    try:  
        count = int(count)  
    except ValueError:  
        # count was not a number, so silently  
        # ignore/discard this line  
        continue  
  
    # this IF-switch only works because Hadoop sorts map output  
    # by key (here: word) before it is passed to the reducer  
    if current_word == word:  
        current_count += count  
    else:  
        if current_word:  
            # write result to STDOUT  
            print '%s\t%s' % (current_word, current_count)  
        current_count = count  
        current_word = word  
  
# do not forget to output the last word if needed!  
if current_word == word:  
    print '%s\t%s' % (current_word, current_count) 

将代码存储在/usr/local/hadoop/reducer.py 中，这个脚本的作用是从mapper.py 的STDIN中读取结果，然后计算每个单词出现次数的总和，并输出结果到STDOUT。
同样，要注意脚本权限：chmod 777 reducer.py

3. 建议在运行MapReduce任务的时候测试一下脚本运行效果正确：

root@localhost:/root/pythonHadoop$ echo "foo foo quux labs foo bar quux" | ./mapper.py  
foo      1  
foo      1  
quux     1  
labs     1  
foo      1  
bar      1  
quux     1  
root@localhost:/root/pythonHadoop$ echo "foo foo quux labs foo bar quux" |./mapper.py | sort |./reducer.py  
bar     1  
foo     3  
labs    1  
quux    2  

如果执行效果如上，则证明可行。可以运行MapReduce了。

4. 在Hadoop平台运行python脚本：

[root@node01 pythonHadoop]         
hadoop jar contrib/hadoop-streaming-2.6.5.jar    
-mapper mapper.py    
-file mapper.py    
-reducer reducer.py    
-file reducer.py    
-input /ooxx/*   
-output /ooxx/output/ 

5. 最后执行 hdfs dfs -cat /ooxx/output/part-00000进行输出结果的查看。
   结果就不展示了，对于hello.txt文件可以自己用echo 制作，也可以从网上自行下载测试文件，对于测试结果，不同数据集结果不尽相同。

参考文章：https://blog.youkuaiyun.com/crazyhacking/article/details/43304499